CN108596249B - 图像特征提取及分类的方法和装置 - Google Patents
图像特征提取及分类的方法和装置 Download PDFInfo
- Publication number
- CN108596249B CN108596249B CN201810370989.3A CN201810370989A CN108596249B CN 108596249 B CN108596249 B CN 108596249B CN 201810370989 A CN201810370989 A CN 201810370989A CN 108596249 B CN108596249 B CN 108596249B
- Authority
- CN
- China
- Prior art keywords
- image
- features
- extracting
- gray level
- classifying
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Abstract
本发明涉及一种图像特征提取及分类的方法和装置,其中,图像特征提取及分类的方法通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类。通过图像特征提取及分类的方法,快速有效的经编织物图像瑕疵特征提取及经编织物瑕疵有无进行分类识别,提高了效率,提高了识别的准确性。
Description
技术领域
本发明涉及图像处理、分析与机器视觉领域,具体而言,涉及一种图像特征提取及分类的方法和装置。
背景技术
目前的纺织品已成为人们日常生活不可缺少的物品,其中大部分采用的是经编机自动化生产。经编织物的瑕疵指的是在经编机生产过程中出现的断经、断纬、破洞、跳针等生产缺陷,这种缺陷会影响之后成品的产品外观,造成经济损失。为了提高消费者体验、减少损失,在经编机生产过程中有必要对上述瑕疵缺陷进行实时监控,出现不良时对经编机进行相应的处置,减少不良频率继续扩大,并为经编机的维护保养提供数据支撑。传统的检测采用人工巡线的方式,观察经编织物是否存在不良,存在检测效率低,准确性差,人工强度大等问题,若不能及时发现瑕疵,则造成很大经济损失。
经申请人检索发现,采用机器视觉技术对经编织物图像进行采集分析,国内外的专家学者进行了大量的研究,取得了很多成果。但大部分的算法研究均停留在实验室阶段,样品量较少,缺少大量的在线产品的验证。且有些方法采用的算法运算时间较长,难以满足在线检测的要求。
发明内容
本发明的目的是提供一种图像特征提取及分类的方法,以实现快速有效的经编织物图像瑕疵特征提取及经编织物瑕疵有无进行分类识别的目的。
为了实现上述目的,本发明实施例采用的技术方案如下:
本发明实施例提供了一种图像特征提取及分类的方法,所述图像特征提取及分类的方法通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类。
在本发明较佳的实施例中,所述通过对获取的经编织物的灰度图像进行特征提取的方法包括:
获取经编织物的灰度图像;
对灰度图像进行中值滤波并得到滤波后图像;
将灰度图像减去滤波后图像并进行取反并得到反色图像;
对反色图像进行特征提取;
根据提取的特征对经编织物进行分类。
在本发明较佳的实施例中,所述对反色图像进行特征提取的方法包括:
提取反色图像上角度为0和角度为90°的灰度共生矩阵中能量(或角度二阶距)、相关性、协同性、对比度特征八者中一种或多种;和/或
通过对反色图像进行阈值分割算法,获取纱线区域,并对纱线区域的面积、圆度C和圆度R三项中一种或多种特征进行提取。
在本发明较佳的实施例中,所述根据提取的特征对经编织物进行分类的方法包括:
选取提取的特征中影响最大的M个;
将M个特征作为分类器的输入节点;
通过分类器对采集的经编织物图像进行类别判断。
在本发明较佳的实施例中,所述选取提取的特征中影响最大的M个的方法包括:
将提取的特征采用主成分分析法进行降维后选取影响最大的M个。
在本发明较佳的实施例中,所述将提取的特征采用主成分分析法进行降维后选取影响最大的M个的方法包括:
输入提取的特征的样本集;
对所有样本进行去中心化处理;
计算样本的协方差矩阵;
计算协方差矩阵的特征值和特征向量;
将特征向量由大到小排序,选取前M个特征对样本集进行降维,降维后的M个特征为影响最大的M个。
在本发明较佳的实施例中,所述对灰度图像进行中值滤波并得到滤波后图像的方法包括:
对灰度图像进行中值滤波(滤波窗口大小为9*9),得到滤波后的图像;
中值滤波的数学表达
为:yk=med{xK-N,xK-N+1,…xK,…xK+N-1,xK-N},其中式中med表示取中值操作。
本发明实施例还提供了一种图像特征提取及分类的装置,所述图像特征提取及分类的装置通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类。
在本发明较佳的实施例中,所述装置包括:
灰度图像获取模块,适于获取经编织物的灰度图像:
滤波模块,适于对灰度图像进行中值滤波并得到滤波后图像;
取反模块,适于将灰度图像减去滤波后图像并进行取反并得到反色图像;
特征提取模块,适于对反色图像进行特征提取;
分类模块,适于根据提取的特征对经编织物进行分类。
在本发明较佳的实施例中,所述特征提取模块包括:
一类特征提取单元,适于提取反色图像上角度为0和角度为90°的灰度共生矩阵中能量(或角度二阶距)、相关性、协同性、对比度特征八者中一种或多种;和/或
二类特征提取单元,适于通过对反色图像进行阈值分割算法,获取纱线区域,并对纱线区域的面积、圆度C和圆度R三项中一种或多种特征进行提取。
相对于现有技术,本发明实施例具有以下有益效果:
本发明实施例提供了一种图像特征提取及分类的方法和装置,其中,图像特征提取及分类的方法通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类。通过图像特征提取及分类的方法,快速有效的经编织物图像瑕疵特征提取及经编织物瑕疵有无进行分类识别,提高了效率,提高了识别的准确性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明实施例所提供的图像特征提取及分类的方法的流程图。
图2为图1中步骤S150的子步骤流程图。
图3示出了本发明实施例所提供的图像特征提取及分类的装置的原理框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
实施例
本发明实施例提供了一种图像特征提取及分类。图像特征提取及分类的方法通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类。通过图像特征提取及分类的方法,快速有效的经编织物图像瑕疵特征提取及经编织物瑕疵有无进行分类识别,提高了效率,提高了识别的准确性。
请参阅图1,通过对获取的经编织物的灰度图像进行特征提取的方法包括以下步骤:
S110:获取经编织物的灰度图像;
具体地,获取经编织物的灰度图像,将灰度图像分割为64*64像素大小的图像。
S120:对灰度图像进行中值滤波并得到滤波后图像;
具体地,中值滤波的数学表达式
为:yk=med{xK-N,xK-N+1,…xK,…xK+N-1,xK-N},其中式中med表示取中值操作。中值滤波的滤波方法是对滑动滤波窗口内(2N+1)的像素做大小排序,滤波结果的输出像素值规定为该序列的中值。
S130:将灰度图像减去滤波后图像并进行取反并得到反色图像;
具体地,将灰度图像减去滤波后图像,得到相减图像,将相减图像进行取反操作,得到反色图像。相减后取反色操作的数学表达式为:ysub=128-(yoringal-ymed),其中式中yoringal为原始图像中,ymed为中值滤波后的图像,ysub为原始图像和中值滤波图像相减后取反的图像,当计算值小于0时,ysub=0,当计算值大于255时,ysub=255。
S140:对反色图像进行特征提取;
其中,对反色图像进行特征提取包括:提取反色图像上角度为0和角度为90°的灰度共生矩阵中能量(或角度二阶距)、相关性、协同性、对比度特征八者中一种或多种。在本实施例中,包括8种特征,其中:
0°灰度共生矩阵公式为:
P0°,d(a,b)=|{[(k,l),(m,n)]∈D:k-m=0;|l-n|=d,f(k,l)
=a,f(m,n)=b}|
90°灰度共生矩阵公式为:
P0°,d(a,b)=|{[(k,l),(m,n)]∈D:k-m=d;|l-n|=0,f(k,l)
=a,f(m,n)=b}|
其中|{…}|指集合的基数,D=64*64,为图像窗口的XY坐标,f(k,l)表示为图像中的灰度值,P0°,d(a,b)表示角度0方向上距离d的灰度级为a和b的出现的概率,P90°,d(a,b)表示角度90方向上距离d的灰度级为a和b的出现的概率。
能量(图像均匀性的测度,图像越均匀,其值越大),公式为:
其中μa,μb是均值,σa,σb是标准差,
协同性,反应图像纹理的同质性,度量图像纹理局部变化的多少,其值大则说明图像纹理的不同区域间缺少变化,局部非常均匀。其公式为:
对比度,局部图像变化的测度,纹理沟纹越深,其对比度越大,视觉效果越清晰。
和/或通过对反色图像进行阈值分割算法,获取纱线区域,并对纱线区域的面积、圆度C和圆度R三项中一种或多种特征进行提取。
具体地,圆度C公式为:
C=min(1,C′)
其中F为轮廓区域的面积,max为所有的轮廓点到轮廓中心最大值。
圆度R公式为:
其中p为轮廓中心,p_i为轮廓上点,F为轮廓面积,D为平均距离,σ为平均距离的方差。
S150:根据提取的特征对经编织物进行分类。
其中,步骤S150包括以下步骤:
S151:选取提取的特征中影响最大的M个;
具体地,将提取的特征采用主成分分析法进行降维后选取影响最大的M个。在本实施例中,M的个数为四个,包括以下步骤:
输入提取的特征的样本集;
输入:11维度样本集
D=(X1,X2,X3,X4,X5,X6,X7,X8,X9,X10,X11)
对所有样本进行去中心化处理;
计算样本的协方差矩阵;
计算协方差矩阵的特征值和特征向量;
将特征向量由大到小排序,选取前M个特征对样本集进行降维,降维后的M个特征为影响最大的M个。
S152:将M个特征作为分类器的输入节点;
具体地,选取影响最大的4项特征作为分类器的输入节点,设置隐含层的节点数为4,建立神经网络分类器
S153:通过分类器对采集的经编织物图像进行类别判断。
在线检测,将分类器用于对在线采集的经编织物图像进行判别,给出判别结果。
本发明实施例还提供了一种图像特征提取及分类的装置,所述图像特征提取及分类的装置通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类。上述的图像特征提取及分类的方法可以通过图像特征提取及分类的装置来实现。
具体地,所述装置包括:
灰度图像获取模块,适于获取经编织物的灰度图像。
在本实施例中,步骤S110可以通过灰度图像获取模块实现。
滤波模块,适于对灰度图像进行中值滤波并得到滤波后图像。
在本实施例中,步骤S120可以通过滤波模块实现。
取反模块,适于将灰度图像减去滤波后图像并进行取反并得到反色图像。
在本实施例中,步骤S130可以通过取反模块实现。
特征提取模块,适于对反色图像进行特征提取。
在本实施例中,步骤S140可以通过特征提取模块实现。
分类模块,适于根据提取的特征对经编织物进行分类。
在本实施例中,步骤S150可以通过分类模块实现。
其中,所述特征提取模块包括:
一类特征提取单元,适于提取反色图像上角度为0和角度为90°的灰度共生矩阵中能量(或角度二阶距)、相关性、协同性、对比度特征八者中一种或多种。在本实施例中,包括八个特征。其中:
和/或二类特征提取单元,适于通过对反色图像进行阈值分割算法,获取纱线区域,并对纱线区域的面积、圆度C和圆度R三项中一种或多种特征进行提取。
综上所述,本发明实施例提供了一种图像特征提取及分类的方法和装置,其中,图像特征提取及分类的方法通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类。通过图像特征提取及分类的方法,快速有效的经编织物图像瑕疵特征提取及经编织物瑕疵有无进行分类识别,提高了效率,提高了识别的准确性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种图像特征提取及分类的方法,其特征在于,所述图像特征提取及分类的方法通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类;
具体地,所述通过对获取的经编织物的灰度图像进行特征提取的方法包括:
获取经编织物的灰度图像;
对灰度图像进行中值滤波并得到滤波后图像;
将灰度图像减去滤波后图像并进行取反并得到反色图像;
对反色图像进行特征提取;
根据提取的特征对经编织物进行分类;
具体地,所述对反色图像进行特征提取的方法包括:
提取反色图像上角度为0和角度为90°的灰度共生矩阵中能量(或角度二阶距)、相关性、协同性、对比度特征八者中一种或多种;和/或
通过对反色图像进行阈值分割算法,获取纱线区域,并对纱线区域的面积、圆度C和圆度R三项中一种或多种特征进行提取。
2.如权利要求1所述的图像特征提取及分类的方法,其特征在于,所述根据提取的特征对经编织物进行分类的方法包括:
选取提取的特征中影响最大的M个;
将M个特征作为分类器的输入节点;
通过分类器对采集的经编织物图像进行类别判断。
3.如权利要求2所述的图像特征提取及分类的方法,其特征在于,所述选取提取的特征中影响最大的M个的方法包括:
将提取的特征采用主成分分析法进行降维后选取影响最大的M个后选取影响最大的M个。
4.如权利要求3所述的图像特征提取及分类的方法,其特征在于,
所述将提取的特征采用主成分分析法进行降维后选取影响最大的M个的方法包括:
输入提取的特征的样本集;
对所有样本进行去中心化处理;
计算样本的协方差矩阵;
计算协方差矩阵的特征值和特征向量;
将特征向量由大到小排序,选取前M个特征对样本集进行降维,降维后的M个特征为影响最大的M个。
6.一种图像特征提取及分类的装置,其特征在于,所述图像特征提取及分类的装置通过对获取的经编织物的灰度图像进行特征提取,并将根据提取的特征进行分类;
具体地,所述装置包括:
灰度图像获取模块,适于获取经编织物的灰度图像:
滤波模块,适于对灰度图像进行中值滤波并得到滤波后图像;
取反模块,适于将灰度图像减去滤波后图像并进行取反并得到反色图像;
特征提取模块,适于对反色图像进行特征提取;
分类模块,适于根据提取的特征对经编织物进行分类;
具体地,所述特征提取模块包括:
一类特征提取单元,适于提取反色图像上角度为0和角度为90°的灰度共生矩阵中能量(或角度二阶距)、相关性、协同性、对比度特征八者中一种或多种;和/或
二类特征提取单元,适于通过对反色图像进行阈值分割算法,获取纱线区域,并对纱线区域的面积、圆度C和圆度R三项中一种或多种特征进行提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810370989.3A CN108596249B (zh) | 2018-04-24 | 2018-04-24 | 图像特征提取及分类的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810370989.3A CN108596249B (zh) | 2018-04-24 | 2018-04-24 | 图像特征提取及分类的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596249A CN108596249A (zh) | 2018-09-28 |
CN108596249B true CN108596249B (zh) | 2022-04-22 |
Family
ID=63614814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810370989.3A Active CN108596249B (zh) | 2018-04-24 | 2018-04-24 | 图像特征提取及分类的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596249B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476056B (zh) * | 2019-01-23 | 2024-04-16 | 阿里巴巴集团控股有限公司 | 目标物体的识别方法、装置、终端设备及计算机存储介质 |
CN110865084A (zh) * | 2019-12-10 | 2020-03-06 | 闪电(昆山)智能科技有限公司 | 基于自学习模式的综丝分离检测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130085539A (ko) * | 2011-12-19 | 2013-07-30 | 주식회사 히가리이노비젼 | 휴대 단말기 인증기능을 갖는 보안 컴퓨터 |
CN107169957A (zh) * | 2017-04-28 | 2017-09-15 | 燕山大学 | 一种基于机器视觉的玻璃瑕疵在线检测系统及方法 |
CN107203980A (zh) * | 2017-05-31 | 2017-09-26 | 常州工学院 | 自适应多尺度暗通道先验的水下目标探测图像增强方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6753965B2 (en) * | 2001-01-09 | 2004-06-22 | The University Of Hong Kong | Defect detection system for quality assurance using automated visual inspection |
CN1648321B (zh) * | 2005-02-01 | 2010-05-12 | 西安工程科技学院 | 织物纹理检测方法 |
CN1948603A (zh) * | 2006-11-10 | 2007-04-18 | 苏州大学 | 一种识别机织物疵点的方法 |
CN102253043B (zh) * | 2011-06-22 | 2012-09-19 | 上海工程技术大学 | 一种单目ccd多角度纱线外观数字化分析方法 |
CN102879401B (zh) * | 2012-09-07 | 2015-06-24 | 西安工程大学 | 基于模式识别和图像处理的纺织品瑕疵自动检测及分类方法 |
CN103093437B (zh) * | 2013-01-30 | 2016-08-24 | 深圳深讯和科技有限公司 | 生成铅笔画风格图像的方法及装置 |
CN203069156U (zh) * | 2013-03-07 | 2013-07-17 | 中国石油大学(华东) | 一种新型刮研加工表面自动检测装置 |
CN103471973B (zh) * | 2013-09-05 | 2016-04-06 | 东华大学 | 一种图像法测定织物孔隙特征的方法 |
CN105426889A (zh) * | 2015-11-13 | 2016-03-23 | 浙江大学 | 基于pca混合特征融合的气液两相流流型识别方法 |
CN107169956B (zh) * | 2017-04-28 | 2020-02-14 | 西安工程大学 | 基于卷积神经网络的色织物疵点检测方法 |
-
2018
- 2018-04-24 CN CN201810370989.3A patent/CN108596249B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130085539A (ko) * | 2011-12-19 | 2013-07-30 | 주식회사 히가리이노비젼 | 휴대 단말기 인증기능을 갖는 보안 컴퓨터 |
CN107169957A (zh) * | 2017-04-28 | 2017-09-15 | 燕山大学 | 一种基于机器视觉的玻璃瑕疵在线检测系统及方法 |
CN107203980A (zh) * | 2017-05-31 | 2017-09-26 | 常州工学院 | 自适应多尺度暗通道先验的水下目标探测图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108596249A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN107220649A (zh) | 一种素色布匹缺陷检测和分类方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN106530288A (zh) | 基于深度学习算法的织物疵点检测方法 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN109509171A (zh) | 一种基于gmm和图像金字塔的布匹疵点检测方法 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
Hanbay et al. | Real-time detection of knitting fabric defects using shearlet transform | |
CN112488211A (zh) | 一种织物图像瑕疵分类方法 | |
CN108596249B (zh) | 图像特征提取及分类的方法和装置 | |
Zhang et al. | A method for defect detection of yarn-dyed fabric based on frequency domain filtering and similarity measurement | |
Kumari et al. | Performance analysis of support vector machine in defective and non defective mangoes classification | |
Oni et al. | Patterned fabric defect detection and classification (fddc) techniques: A review | |
Huang et al. | Research on surface defect intelligent detection technology of non-woven fabric based on support vector machine | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
Li et al. | Yarn-dyed woven defect characterization and classification using combined features and support vector machine | |
Khanal et al. | Fabric Hairiness Analysis for Quality Inspection of Pile Fabric Products Using Computer Vision Technology | |
CN111899221A (zh) | 一种面向外观缺陷检测的自迁移学习方法 | |
Chaudhari et al. | A hybrid method of textile defect detection using GLCM, LBP, SVD and Wavelet Transform | |
CN114022442A (zh) | 一种基于无监督学习的织物疵点检测算法 | |
Lu et al. | Identification of cashmere/wool based on pairwise rotation invariant co-occurrence local binary pattern | |
Bin et al. | Automatic inspection of surface crack in solar cell images | |
Shih et al. | Integrated Image Sensor and Deep Learning Network for Fabric Pilling Classification. | |
Zhao et al. | Clothing Fabric Automatic Recognition | |
Manimozhi et al. | An efficient approach for defect detection in pattern texture analysis using an improved support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |